Halo2、Caulk+、Baloo、Cq Lookup argument细览

文章分析了以太坊基金会MaryMaller在Cryptography冬季学校中的讲座内容,比较了LookupArgument的不同实现策略,如Halo2、Caulk、Baloo和Cqlookup。着重讨论了在大表场景下的效率问题和对sublineartimelookup的追求,同时提出了pairings安全性及替代方案的开放问题。

1. 引言

本文主要参考2023年2月以太坊基金会Mary Maller在第13届 BIU Winter School on Cryptography上的视频分享 A Close Look at a Lookup Argument - Mary Maller

以证明 0 ≤ x < 4 0\leq x <4 0x<4为例,相比于使用算术化电路中如何使用定制gates?中的定制约束,使用lookup约束会更简单——即只需要1个lookup约束就足以:
在这里插入图片描述
实际不只有一个witness x x x,而是有很多witnesses,可扩展多个range check:
在这里插入图片描述
或者借助selector多项式做部分lookup约束:
在这里插入图片描述

2. Halo2的lookup argument策略

详细见:

需证明:

  • a ( i ) ∈ { t ( 1 ) , t ( 2 ) , t ( 3 ) , t ( 4 ) } a(i)\in\{t(1),t(2),t(3),t(4)\} a(i){t(1),t(2),t(3),t(4)} for i ∈ { 0 , 1 , 2 , 3 } i\in\{0,1,2,3\} i{0,1,2,3}

本文将展示:

  • 尝试用copy argument来证明而失败
  • 尝试用permutation argument来证明而失败
  • Halo2 lookup argument
  • Caulk+ lookup argument
  • Baloo lookup argument
  • Cq lookup argument

2.1 尝试用copy argument来证明而失败

在这里插入图片描述

2.2 尝试用permutation argument来证明而失败

在这里插入图片描述

2.3 Halo2的解决方案

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
但是,以上策略的lookup argument,需对 t ( X ) t(X) t(X)做运行一次permutation argument,相应Prover Time与 t ( X ) t(X) t(X)呈线性关系,对big table场景来说太慢了,为此:
在这里插入图片描述

2.4 Caulk+ lookup argument:fast for big tables

上面2.3节中指出,Halo2 lookup argument需对 t ( X ) t(X) t(X)做运行一次permutation argument,相应Prover Time与 t ( X ) t(X) t(X)呈线性关系。
当对于类似 { t 1 , ⋯   , t 2 27 } \{t_1,\cdots,t_{2^{27}}\} {t1,,t227}这样的large table来说,Halo2 lookup argument速度会很慢,为此,需要构建与 t ( x ) t(x) t(x) size 无关 的Temporary Table C——可能可借助预处理来实现。
在这里插入图片描述
Caulk+ 中采用的预处理策略为:【见以太坊基金会Dankrad Feist 和 Dmitry Khovratovich 2023年论文 Fast amortized KZG proofs
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.5 Baloo lookup argument:Prove lookup over hidden domain

在这里插入图片描述
Baloo lookup argument的核心思想为基于2019年Aurora论文中的Lincheck Argument思想:
∑ j ∈ I e i , j c ( j ) = a i \sum_{j\in I}e_{i,j}c(j)=a_i jIei,jc(j)=ai
Lincheck Argument可check a matrix equation。
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.6 Cq lookup argument:Cached Quotients

在这里插入图片描述
在这里插入图片描述

3. Lookup Constraints in Plonkish:Function Tables

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4. 思考

  • 所有sublinear time lookup argument都使用pairings。
  • pairings不具备post-quantum安全性,且需要特殊的,非标准化的椭圆曲线。
  • 开放问题:能否不使用pairings,设计出一种实用的,具有(与table size)sublinear time的lookup argument方案?

参考资料

[1] 2023年2月以太坊基金会Mary Maller在第13届 BIU Winter School on Cryptography上的视频分享 A Close Look at a Lookup Argument - Mary Maller

lookup系列博客

数据集介绍:垃圾分类检测数据集 一、基础信息 数据集名称:垃圾分类检测数据集 图片数量: 训练集:2,817张图片 验证集:621张图片 测试集:317张图片 总计:3,755张图片 分类类别: - 金属:常见的金属垃圾材料。 - 纸板:纸板类垃圾,如包装盒等。 - 塑料:塑料类垃圾,如瓶子、容器等。 标注格式: YOLO格式,包含边界框和类别标签,适用于目标检测任务。 数据格式:图片来源于实际场景,格式为常见图像格式(如JPEG/PNG)。 二、适用场景 智能垃圾回收系统开发: 数据集支持目标检测任务,帮助构建能够自动识别和分类垃圾材料的AI模型,用于自动化废物分类和回收系统。 环境监测与废物管理: 集成至监控系统或机器人中,实时检测垃圾并分类,提升废物处理效率和环保水平。 学术研究与教育: 支持计算机视觉与环保领域的交叉研究,用于教学、实验和论文发表。 三、数据集优势 类别覆盖全面: 包含三种常见垃圾材料类别,覆盖日常生活中主要的可回收物类型,具有实际应用价值。 标注精准可靠: 采用YOLO标注格式,边界框定位精确,类别标签准确,便于模型直接训练和使用。 数据量适中合理: 训练集、验证集和测试集分布均衡,提供足够样本用于模型学习和评估。 任务适配性强: 标注兼容主流深度学习框架(如YOLO等),可直接用于目标检测任务,支持垃圾检测相关应用。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值